6.5 Rammeverk for forholdstallanalyse
6.5.2 Analyse av risiko
Para explicarmos o método proposto vamos adotar o bem oportuno ditado que diz que "uma imagem fala mais do que mil palavras". Vejamos abaixo as descrições das etapas de processamento utilizadas para produzir o resultado do método e seus respectivos diagramas. As figuras (Figura 4.1 e Figura 4.3) mostram duas etapas distintas, a primeira compreendendo a leitura, a geração da malha de saltos e o cálculo das disparidades, e a segunda compreendendo o treinamento, simulação e interpolação da imagem obtida na primeira etapa.
No primeiro passo desta etapa fazemos a leitura do
par de imagens estéreo a partir de um dataset.
No segundo passo, uma malha virtual é criada sobre a imagem da esquerda, com o objetivo de marcar os pixels que serão
considerados.
Finalmente, o algoritmo de correlação é executado sobre
a amostra dos pixels e um mapa de disparidades é obtido.
Figura 4.1: Primeira parte do diagrama do método proposto.
Nesta primeira etapa do método (Figura 4.1), observamos que um par de imagens é adquirida a partir de um dataset e carregada em memória, depois disto, é gerada uma ma-
CAPÍTULO 4. MÉTODO PROPOSTO 35
lha virtual que sobrepõe esta imagem a fim de marcar os pontos que serão amostrados. Esta malha leva em consideração um parâmetro de salto para ajustar sua densidade, ou seja, quanto maior o salto, maior será o afastamento entre as linhas da malha. Posterior- mente, serão considerados, para o algoritmo de correlação, apenas os pixels localizados nos pontos onde as linhas da malha se cruzam, fazendo com que tenhamos uma imagem de menor resolução para cálculo das disparidades, e finalmente, no último passo desta etapa, as disparidades são calculadas para estes pontos usando o algoritmo de correlação baseada em área.
Figura 4.2: No algoritmo de correlação baseado em área, um vetor contendo todos os pixels vizinhos pertencentes a janela é considerado no momento da leitura do ponto.
Percebamos que embora uma amostra tenha sido retirada da imagem, para fins de cálculo das disparidades, todos os pontos estão sendo considerados, uma vez que o algo- ritmo de correlação baseado em área agrupa em um mesmo local todos os pixels vizinhos compreendidos na janela daquele ponto (Figura 4.2).
No primeiro passo desta etapa, os centros da RBF são alimentados utilizando as mesmas coordenadas dos pontos amostrados da imagem.
Simulação
No segundo passo, a RBF treinada utilizando as informações
das disparidades obtidas a partir do algoritmo de correlação.
Por fim, executamos a simulação da RBF obtendo a informação das disparidades que não foram calculadas e montamos um mapa
de disparidades denso.
Figura 4.3: Segunda parte do diagrama do método proposto.
Na segunda etapa do método (Figura 4.3), necessitamos recuperar as informações que foram descartadas na etapa anterior para aumentar a velocidade de execução do algoritmo.
CAPÍTULO 4. MÉTODO PROPOSTO 36
Para isso, usamos uma rede neural RBF como um interpolador dos dados. Inicialmente, a rede neural é carregada atribuindo os vetores das coordenadas dos pontos amostrados na primeira etapa aos pesos da camada escondida. Esses vetores correspondem aos centros das funções de base radial. Em seguida, treinamos a rede neural com o conjunto das disparidades que foram calculadas, fazendo assim uma preparação para o processo de interpolação posterior do mapa de disparidades completo.
É importante ressaltar que a rede neural terá, na sua camada escondida, a mesma quantidade de neurônios que os pontos da amostra do mapa de disparidades. Desta forma, o que acontecerá é que sobre o vetor de suporte localizado em cada ponto da amostra, será construída uma função de base radial, sendo que no final do treinamento se obterá uma superfície composta pela soma de todas as funções de base radial. Essa superfície é justamente o mecanismo que será utilizado para a obtenção dos valores interpolados dos pontos que não fazem parte da amostra inicial. O passo final desta etapa é simular a rede neural, informando as coordenadas dos pontos no mapa de disparidades nos quais não foi calculado utilizando o algoritmo de correlação, e ainda, armazenar esse resultado na matriz completa das disparidades.
A razão de utilizarmos um método de interpolação baseado em redes neurais provém do fato de que as redes neurais, diferentemente dos métodos de interpolação lineares, oferecem um recurso mais preciso de detecção de características não lineares, sendo, por- tanto, um modelo de cálculo mais eficiente para o caso da interpolação das disparidades. Outra característica é que a rede RBF forma, naturalmente, uma malha de interligação entre os neurônios, tornando mais fácil a reconstrução tridimensional da superfície, uma vez que os pontos já estão estruturados.
4.4
Comentários finais
Percebemos através deste procedimento que houve um ganho relativo de velocidade, pois, o algoritmo de maior complexidade, que é justamente o de correlação das imagens, deixou de ser executado totalmente, sendo necessário apenas o cálculo para alguns pon- tos. Percebemos, ainda, que a rede neural de função de base radial tem características extremamente eficientes para interpolação, além de boa performance na estimativa e pre- dição dos valores interpolados. Todos esses resultados, tabelas comparativas e materiais utilizados nos ensaios do procedimento, poderão ser consultados e analisados no próximo capítulo, que trata justamente dos resultados.
Capítulo 5
Resultados
No capítulo anterior, vimos as características do método sugerido neste trabalho. O objetivo deste método é, principalmente, otimizar a velocidade do cálculo das dispari- dades de um par de imagens estéreo através de um algoritmo tradicional de correlação baseado em área. Neste capítulo, apresentaremos os resultados obtidos através da aplica- ção deste método, assim como os comparativos de erro e de velocidades entre o método tradicional e o sugerido.
5.1
Conjunto de entrada
Para realizar as experiências com o método sugerido, utilizamos um conjunto de ima- gens estéreo pré-fabricadas [Scharstein e Pal. 2007] [Hirschmüller e Scharstein 2007], isso pelo simples fato de eliminar certas etapas prévias ao cálculo das disparidades, tais como a retificação e a calibração.
Na finalização desta pesquisa, com o objetivo de provar o correto funcionamento do método proposto, executamos o algoritmo implementado usando todas as imagens do conjunto de imagens citado anteriormente. Todavia, para ilustrar os resultados obtidos, selecionamos três imagens do conjunto total que demonstram perfeitamente os resultados encontrados. Este conjunto de entrada é exatamente os pares apresentados nas Figuras 5.1, 5.2, 5.3 e 5.4.
Todas as imagens foram utilizadas em baixa resolução, a imagem "Aloe" com resolu- ção de 427× 370 pixels colorida, a imagem "Midd1" com resolução de 465 × 370 pixels colorida, a imagem "Bowling1" com resolução de 417× 370 pixels colorida, e a imagem "Lampshade1" com resolução de 433× 370 pixels também colorida.
CAPÍTULO 5. RESULTADOS 38
Imagem da esquerda.
Imagem da direita.
Figura 5.1: Par "Aloe" de imagens estéreo originais que servirão de entrada para o al- goritmo.
Imagem da esquerda.
Imagem da direita.
Figura 5.2: Par "Midd1" de imagens esté- reo originais que servirão de entrada para o algoritmo.
Imagem da esquerda.
Imagem da direita.
Figura 5.3: Par "Bowling1" de imagens es- téreo originais que servirão de entrada para o algoritmo.
Imagem da esquerda.
Imagem da direita.
Figura 5.4: Par "Lampshade1" de imagens estéreo originais que servirão de entrada para o algoritmo.
CAPÍTULO 5. RESULTADOS 39